Jul, 2023

基于三平面的混合神经变形流形用于形状表示和生成

PDF
TL;DR本文介绍了一种新的神经网络模型 HNDF (Hybrid Neural Diffeomorphic Flow)，用于三维形状重建和生成，通过学习数据样本中的隐式函数，对细节信息进行拆分和处理，进一步实现高质量的三维形状再现和生成。
deep implicit functionshybrid neural diffeomorphic flow3d shape generationdense correspondencestopology preservation
发现论文，激发创造
  • 深度内隐模板用于三维形状表示

    本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法，支持在深度隐式表示中进行显式的对应关系推理，并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题，同时采用特殊的训练损失函数实现了无监督学习。实验证明，该方法不仅能够学习一个共同的隐式模板，还能够在不需要监督信号的情况下，对所有形状进行精确的无缝对应。

    Nov, 2020

  • Deformed Implicit Field：学习稠密对应关系建模三维形状

    本论文提出了 Deformed Implicit Field (DIF) 表示法来建模 3D 物品的形状，实现物品之间稠密的对应关系。DIF-Net 神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的 Deformation Field 来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。

    Nov, 2020

  • 使用三面体扩散生成 3D 神经场

    本研究提出了一种基于扩散模型的高效的神经场三维生成方法，通过将训练数据转换为连续占据场并将其分解为一组轴对齐的三面体特征表示来实现，训练过程中，采用现有的二维扩散模型对这些特征表示进行训练，生成高质量和多样性的三维神经场，且优于其他三维生成方法。

    Nov, 2022

  • 三维生成模型的镶嵌 —SDF 方法

    本文介绍了一种新的 3D 形状表示方法，名为 Mosaic-SDF（M-SDF），它通过使用一组分布在形状边界附近的局部网格来近似给定形状的有符号距离函数（SDF）。M-SDF 表示具有高效计算、参数效率和与基于 Transformer 的架构兼容等优点，在 3D 生成流模型的训练中展示了其有效性。

    Dec, 2023

  • DiffTF++：大词汇量三维生成的三维感知扩散变换器

    通过引入一种基于扩散的前馈框架，以及使用改进的三面平面和 3D-aware 转换器、编码器 / 解码器来处理大规模的 3D 资源生成任务，该研究提出了一个更强的 3D 生成模型，以增强多样性、语义和质量。

    May, 2024

  • 超级 SDFusion: 提升 3D 文本到形状生成的语言和几何层次结构的桥接

    提出了一种基于超几何空间的分层文本到形状生成模型，利用超几何空间学习文本和 3D 形状的分层表示，并通过引入双分支结构嵌入文本特征于 3D 特征空间，最终得到具有分层结构的生成 3D 形状，实验结果显示在现有文本到形状数据集上取得了最先进的效果。

    Mar, 2024

  • 神经网格流：通过微分流生成三维流形网格

    提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。

    Jul, 2020

  • 局部深度隐式函数用于三维形状

    本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

    Dec, 2019

  • 深度形变正则化流

    DDNF 模型是一种基于普通微分方程 (ODE) 和递归神经网络 (RNN) 的正则差分流模型，具有高效的似然度评估和柔性的密度估计能力， 是一种具有竞争力的新型神经密度估计技术，还可以在 Riemannian 半群中扩展。

    Oct, 2018

  • 使用动态编码云学习 3D 形状的深度隐函数

    本文介绍了一种名为 DCC-DIF 的深度内隐函数学习方法，通过将本地编码与可学习的位置向量相对应，将 3D 形状表示为动态编码云，用于捕获几何细节，提高表示能力和重建质量。

    Mar, 2022